Persona MCP Server

AI 기반 페르소나 분석 및 FGI (Focus Group Interview) 시스템을 위한 MCP (Model Context Protocol) 서버입니다.

📋 목차

• MCP란 무엇인가?
• 이 서비스는 무엇을 하나요?
• 시스템 아키텍처
• 주요 기능
• 설치 및 설정
• 사용 방법
• API 도구 목록
• 데이터 모델
• 사용 예제

---

MCP란 무엇인가?

**MCP (Model Context Protocol)**는 AI 모델이 외부 도구와 서비스를 안전하게 연결하고 사용할 수 있도록 하는 표준 프로토콜입니다.

MCP의 핵심 개념

1. 도구(Tools): AI가 호출할 수 있는 함수들
2. 리소스(Resources): AI가 읽을 수 있는 데이터 소스
3. 프롬프트(Prompts): 재사용 가능한 프롬프트 템플릿

이 프로젝트에서의 MCP

이 Persona MCP Server는 FastMCP 프레임워크를 사용하여 구현되었으며, 다음과 같은 방식으로 작동합니다:

• 표준 입출력(stdio) 통신: MCP 클라이언트와 JSON-RPC 프로토콜로 통신
• 비동기 처리: asyncio를 활용한 비동기 도구 실행
• 타입 안전성: Pydantic을 사용한 요청/응답 검증

---

이 서비스는 무엇을 하나요?

이 MCP 서버는 페르소나 기반 FGI 시스템을 제공합니다. 주요 목적은 다음과 같습니다:

1. 페르소나 생성 및 관리

• 사용자의 설문 응답을 분석하여 AI 기반 페르소나 프로필 생성
• MBTI 유형, 관심사, 성격 특성, 가치관 등을 자동 분석
• 기본 프로필(연령대, 성별, 지역, 직업 등) 관리

2. 동적 FGI 설문 생성

• 카테고리별(기술, 라이프스타일, 문화, 패션, 음식, 일반) 설문 시작
• AI가 이전 답변을 분석하여 다음 질문을 동적으로 생성
• 최소한의 질문으로 최대한의 정보 수집이 목표

3. 데이터 신선도 관리

• 페르소나 데이터의 가치를 "신선도 점수"로 관리
• 시간이 지남에 따라 자동으로 감소 (하루에 -3점)
• 설문 응답 제출 시 신선도 점수 증가
• SS급, S급, A급, B급, C급 등으로 데이터 가치 등급화

4. 비즈니스 인사이트 제공

• 특정 제품/주제에 대한 페르소나들의 선호도 분석
• 트렌드 인사이트 제공
• 키워드 기반 응답 검색
• 페르소나 비교 및 통계 분석

5. 샘플 데이터 생성

• 데모 및 테스트를 위한 샘플 페르소나 자동 생성
• 다양한 카테고리의 설문 및 응답 생성
• LLM 기반 자연스러운 데이터 생성 (또는 템플릿 기반 빠른 생성)

---

시스템 아키텍처

┌─────────────────┐
│  MCP Client     │  (Cursor AI, Claude Desktop 등)
│  (Cursor AI)    │
└────────┬────────┘
         │ JSON-RPC (stdio)
         │
┌────────▼─────────────────────────────────────┐
│         Persona MCP Server                   │
│  ┌──────────────────────────────────────┐   │
│  │  FastMCP Framework                   │   │
│  │  - Tool Registration                 │   │
│  │  - Request/Response Handling         │   │
│  └──────────┬───────────────────────────┘   │
│             │                                │
│  ┌──────────▼───────────────────────────┐   │
│  │  Tool Implementations                │   │
│  │  - FGI Tools (fgi_tools.py)         │   │
│  │  - Predict (predict.py)             │   │
│  │  - Insights (insights.py)           │   │
│  │  - Freshness (freshness.py)         │   │
│  │  - Query (query.py)                 │   │
│  │  - Sample Data (sample_data.py)     │   │
│  └──────────┬───────────────────────────┘   │
│             │                                │
│  ┌──────────▼───────────────────────────┐   │
│  │  Database Layer (SQLAlchemy)         │   │
│  │  - Persona Model                     │   │
│  │  - FGISurvey Model                   │   │
│  │  - FGIResponse Model                 │   │
│  └──────────┬───────────────────────────┘   │
└─────────────┼────────────────────────────────┘
              │
┌─────────────▼─────────────┐
│   SQLite Database         │
│   (data/fgi.db)           │
└───────────────────────────┘
              │
┌─────────────▼─────────────┐
│   Groq LLM API            │
│   (AI 분석 및 생성)        │
└───────────────────────────┘

주요 컴포넌트

1. FastMCP: MCP 프로토콜 구현 프레임워크
2. SQLAlchemy: ORM을 통한 데이터베이스 관리
3. Groq API: LLM 기반 분석 및 생성
4. Pydantic: 데이터 검증 및 직렬화
5. 캐싱 시스템: 반복적인 분석 결과 캐싱

---

주요 기능

1. 페르소나 생명주기 관리

⚠️ 중요: 기본 프로필은 필수입니다!

서버를 사용하기 전에 반드시 기본 프로필을 설정해야 합니다. 기본 프로필이 없으면 대부분의 기능을 사용할 수 없습니다.

기본 프로필 질문 조회

페르소나의 기본 정보를 수집하기 전에, 먼저 어떤 질문을 해야 하는지 확인할 수 있습니다.

# 기본 프로필 질문 목록 조회
questions = get_basic_profile_questions_tool()

반환되는 질문 목록:

• age_range: 나이대 선택 (필수) - 10대, 20대 초반, 20대 후반, 30대 초반, 30대 후반, 40대 이상
• gender: 성별 선택 (필수) - 남성, 여성, 기타, 답변 안 함
• location: 거주 지역 선택 (필수) - 서울, 경기, 인천, 부산, 대구, 광주, 대전, 기타
• occupation_category: 직업 분야 선택 (필수) - IT/개발, 디자인, 마케팅, 교육, 서비스, 학생, 기타
• income_range: 월 소득 범위 (선택사항) - 200만원 미만, 200-300만원, 300-500만원, 500만원 이상, 답변 안 함

필수 필드: age_range, gender, location, occupation_category (4개) 선택 필드: income_range (1개)

사용 흐름:

1. get_basic_profile_questions_tool()로 질문 목록 조회
2. 사용자에게 각 질문을 제시하고 답변 수집
3. 수집한 답변을 update_basic_profile_tool()로 저장

기본 프로필 완전성 확인

기본 프로필이 완전한지 확인할 수 있습니다.

# 모든 페르소나의 기본 프로필 확인
check_basic_profile_tool()

# 특정 페르소나의 기본 프로필 확인
check_basic_profile_tool(persona_id="persona_123")

반환 정보:

• is_complete: 기본 프로필이 완전한지 여부 (bool)
• missing_fields: 누락된 필수 필드 목록
• message: 상태 메시지
• persona_id: 확인한 페르소나 ID (또는 None)

기본 프로필 업데이트

수집한 기본 정보를 페르소나에 저장합니다.

# 페르소나의 기본 정보 설정
update_basic_profile_tool(
    persona_id="persona_123",
    profile_data={
        "age_range": "20대 후반",        # 질문 목록의 옵션 중 하나
        "gender": "남성",                 # 질문 목록의 옵션 중 하나
        "location": "서울",               # 질문 목록의 옵션 중 하나
        "occupation_category": "IT/개발", # 질문 목록의 옵션 중 하나
        "income_range": "300-500만원"     # 선택사항, 질문 목록의 옵션 중 하나
    }
)

주의사항:

• profile_data의 각 필드 값은 get_basic_profile_questions_tool()에서 반환된 옵션 리스트 중 하나여야 합니다.
• 필수 필드 4개(age_range, gender, location, occupation_category)는 반드시 설정해야 합니다.
• income_range는 선택사항이므로 생략 가능합니다.
• 기본 프로필을 저장하면 신선도 점수가 증가합니다 (최대 25점).
• 기본 프로필이 없으면 설문 생성, 응답 제출 등 대부분의 기능을 사용할 수 없습니다.

페르소나 예측 (AI 분석)

# 설문 응답을 기반으로 페르소나 자동 생성
predict_persona_tool(
    responses=[
        {"question_id": "q1", "answer": "저는 기술에 관심이 많아요..."},
        {"question_id": "q2", "answer": "주말에는 코딩을 하거나..."}
    ],
    user_id="user_123"
)

반환 정보:

• 연령대 예측
• 관심사 리스트
• 성격 특성
• 가치관
• 라이프스타일 설명
• MBTI 유형 및 차원별 분석
• MBTI 신뢰도 점수

2. 동적 FGI 설문 시스템

설문 시작

# 카테고리별 설문 시작
create_fgi_survey_tool(
    category="technology",  # technology, lifestyle, culture, fashion, food, general
    persona_id="persona_123"  # 선택사항
)

지원 카테고리:

• technology: 기술 분야
• lifestyle: 라이프스타일
• culture: 문화/엔터테인먼트
• fashion: 패션
• food: 음식
• general: 일반

다음 질문 동적 생성

# 이전 답변을 분석하여 다음 질문 생성
generate_next_question_tool(
    survey_id="survey_123",
    previous_qa=[
        {"question": "요즘 기술 분야에서 가장 관심있는 주제는?", "answer": "AI와 머신러닝에 관심이 많아요"},
        {"question": "어떤 방식으로 학습하시나요?", "answer": "온라인 강의와 프로젝트를 병행해요"}
    ],
    category="technology",
    max_questions=10  # 선택사항: 최대 질문 수 제한
)

특징:

• AI가 이전 답변을 분석하여 맥락에 맞는 다음 질문 생성
• 정보 수집 완료도(info_completeness) 추적
• 최종 질문 여부(is_final) 판단
• 최대 질문 수 제한 가능

응답 제출

# 설문 응답 제출 및 신선도 업데이트
submit_fgi_response_tool(
    persona_id="persona_123",
    survey_id="survey_123",
    responses=[
        {"question_id": "q1", "answer": "답변 내용"},
        {"question_id": "q2", "answer": "답변 내용"}
    ]
)

3. 신선도 점수 시스템

페르소나 데이터의 가치를 "신선도 점수"로 관리합니다.

신선도 점수 계산 방식

점수 획득:

• 기본 프로필 업데이트: 최대 25점
• 설문 응답 제출: 응답당 10-50점 (응답 품질에 따라)
• 페르소나 예측 완료: 50-100점

점수 감소:

• 시간 경과에 따라 자동 감소: 하루에 -3점
• 최소 0점까지 감소

신선도 등급

등급	점수 범위	설명
SS급	500점 이상	완벽한 데이터 - 프리미엄 판매
S급	300-499점	최고 가치 데이터 - 고가 판매
A급	200-299점	고가치 데이터 - 판매 가능
B급	100-199점	보통 데이터 - 업데이트 권장
C급	50-99점	낮은 가치 - 업데이트 필요
F급	0-49점	최소 데이터 - 즉시 업데이트 필요

# 신선도 확인
check_freshness_tool(persona_id="persona_123")

반환 정보:

• 현재 신선도 점수
• 등급 (SS, S, A, B, C, F)
• 마지막 업데이트 날짜
• 업데이트 필요 여부

4. 비즈니스 인사이트

선호도 분석

# 특정 제품/주제에 대한 선호도 분석
analyze_preference_tool(
    query="스티커 디자인",
    category="fashion",  # 선택사항
    age_range="20대 후반",  # 선택사항
    gender="남성",  # 선택사항
    location="서울",  # 선택사항
    limit=20
)

분석 내용:

• 선호하는 스타일/특성
• 공통된 선호도 패턴
• 차별화된 선호도
• 구체적인 예시 응답

트렌드 인사이트

# 특정 주제의 트렌드 분석
get_trend_insights_tool(
    topic="키링",
    persona_filters={
        "age_range": "20대",
        "gender": "여성"
    },
    min_freshness=100  # 최소 신선도 점수
)

응답 검색

# 키워드로 관련 응답 검색
search_responses_tool(
    keyword="디자인",
    category="fashion",
    limit=20
)

5. 페르소나 조회 및 비교

페르소나 상세 조회

get_persona_tool(persona_id="persona_123")

반환 정보:

• 기본 프로필
• 페르소나 프로필 (관심사, 성격, 가치관 등)
• MBTI 분석
• 통계 정보 (설문 수, 응답 수 등)

페르소나 목록 조회

list_personas_tool(
    age_range="20대 후반",
    gender="남성",
    location="서울",
    occupation_category="IT/개발",
    mbti_type="INTJ",
    min_freshness=200,
    limit=50
)

페르소나 비교

compare_personas_tool(
    persona_id1="persona_123",
    persona_id2="persona_456"
)

비교 내용:

• 기본 프로필 비교
• MBTI 차이점
• 관심사 유사도
• 성격 특성 차이점

6. 통계 및 히스토리

전체 통계

get_statistics_tool()

통계 정보:

• 전체 페르소나 수
• 설문 수 및 응답 수
• MBTI 분포
• 지역 분포
• 직업 분포
• 평균 신선도 점수

설문 히스토리

get_persona_survey_history_tool(persona_id="persona_123")

7. 샘플 데이터 생성

페르소나 생성

generate_sample_personas_tool(
    count=50,
    use_llm=True  # False면 템플릿 기반 빠른 생성 (비용 없음)
)

설문 및 응답 생성

generate_sample_surveys_tool(
    persona_count=20,
    responses_per_persona=2,
    use_llm=True
)

전체 샘플 데이터 생성

generate_all_sample_data_tool(
    persona_count=50,
    responses_per_persona=2,
    use_llm=True
)

---

설치 및 설정

1. 의존성 설치

pip install -r requirements.txt

또는 pyproject.toml을 사용하는 경우:

pip install -e .

2. 환경 변수 설정

.env 파일을 프로젝트 루트에 생성하고 다음을 설정하세요:

# Groq API 키 (LLM 기능 사용 시 필수)
GROQ_API_KEY=your_groq_api_key_here

# 데이터베이스 URL (선택사항, 기본값: sqlite:///data/fgi.db)
DATABASE_URL=sqlite:///data/fgi.db

# 로그 레벨 (선택사항, 기본값: INFO)
LOG_LEVEL=INFO

Groq API 키 발급 방법:

1. Groq Console에 접속
2. API Keys 메뉴에서 새 키 생성
3. .env 파일에 추가

3. 데이터베이스 초기화

서버를 처음 실행하면 자동으로 데이터베이스가 생성됩니다:

python -m src.main

데이터베이스는 data/fgi.db에 생성됩니다 (기본 설정).

⚠️ 중요: 서버 시작 시 기본 프로필 확인

서버가 시작될 때 자동으로 기본 프로필이 설정되어 있는지 확인합니다:

• 기본 프로필이 없으면 경고 메시지가 표시됩니다
• 기본 프로필이 없으면 대부분의 기능을 사용할 수 없습니다
• 먼저 get_basic_profile_questions_tool()로 질문 목록을 조회하고, update_basic_profile_tool()로 기본 프로필을 저장해야 합니다

4. 서버 실행

직접 실행

python -m src.main

MCP 클라이언트에서 사용

MCP 클라이언트(Cursor AI, Claude Desktop 등)에서 설정하여 사용합니다.

---

사용 방법

Cursor AI에서 사용하기

1. Cursor 설정 열기

   • Cmd + , (Mac) 또는 Ctrl + , (Windows/Linux)
   • "MCP" 검색

2. MCP 서버 설정 추가

   설정 파일에 다음을 추가:

   {
     "mcpServers": {
       "persona-server": {
         "command": "python3",
         "args": ["-m", "src.main"],
         "cwd": "/Users/seodong-ug/Desktop/persona_mcp"
       }
     }
   }
   

   주의: cwd 경로를 실제 프로젝트 경로로 변경하세요.

3. Cursor 재시작

   • Cursor를 완전히 종료 후 다시 시작

4. 사용하기

   • 채팅에서 "페르소나 목록 조회해줘" 같은 자연어 명령 사용
   • 또는 직접 도구 호출

Claude Desktop에서 사용하기

claude_desktop_config.json 파일에 다음을 추가:

{
  "mcpServers": {
    "persona-server": {
      "command": "python3",
      "args": ["-m", "src.main"],
      "cwd": "/Users/seodong-ug/Desktop/persona_mcp"
    }
  }
}

---

API 도구 목록

기본 관리

도구명	설명	필수 파라미터
health	서비스 상태 확인	없음
get_tool_definitions	사용 가능한 도구 목록 조회	없음

페르소나 관리

도구명	설명	필수 파라미터
get_basic_profile_questions_tool	기본 프로필 질문 목록 조회	없음
check_basic_profile_tool	기본 프로필 완전성 확인	없음 (persona_id 선택)
update_basic_profile_tool	기본 프로필 업데이트	persona_id, profile_data
predict_persona_tool	설문 응답 기반 페르소나 예측	responses
get_persona_tool	페르소나 상세 조회	persona_id
list_personas_tool	페르소나 목록 조회	없음 (필터 옵션)
compare_personas_tool	두 페르소나 비교	persona_id1, persona_id2
check_freshness_tool	신선도 점수 확인	persona_id

FGI 설문

도구명	설명	필수 파라미터
create_fgi_survey_tool	설문 시작	category
generate_next_question_tool	다음 질문 동적 생성	survey_id, previous_qa
submit_fgi_response_tool	응답 제출	persona_id, survey_id, responses
get_persona_survey_history_tool	설문 히스토리 조회	persona_id

인사이트 및 분석

도구명	설명	필수 파라미터
analyze_preference_tool	선호도 분석	query
get_trend_insights_tool	트렌드 인사이트	topic
search_responses_tool	응답 검색	keyword
get_statistics_tool	전체 통계 조회	없음

샘플 데이터

도구명	설명	필수 파라미터
generate_sample_personas_tool	샘플 페르소나 생성	없음 (옵션)
generate_sample_surveys_tool	샘플 설문 생성	없음 (옵션)
generate_all_sample_data_tool	전체 샘플 데이터 생성	없음 (옵션)

---

데이터 모델

Persona (페르소나)

{
    "id": "persona_123",                    # 고유 ID
    "user_id": "user_123",                  # 사용자 ID (선택사항)
    "freshness_score": 250.0,               # 신선도 점수
    "last_updated": "2024-01-15T10:30:00",  # 마지막 업데이트
    "created_at": "2024-01-10T09:00:00",    # 생성일시
    
    # 기본 프로필
    "age_range": "20대 후반",
    "gender": "남성",
    "location": "서울",
    "occupation_category": "IT/개발",
    "income_range": "300-500만원",
    
    # 심층 페르소나 프로필
    "interests": ["프로그래밍", "AI", "게임"],
    "personality_traits": ["논리적", "호기심 많음"],
    "values": ["성장", "자유"],
    "lifestyle": "주말에는 코딩과 게임을 즐기는 개발자",
    
    # MBTI 분석
    "mbti_type": "INTJ",
    "mbti_dimensions": {
        "E_I": "내향(I) - 혼자 있을 때 에너지를 얻음",
        "S_N": "직관(N) - 미래와 가능성에 집중",
        "T_F": "사고(T) - 논리와 객관성 중시",
        "J_P": "판단(J) - 계획과 체계 선호"
    },
    "mbti_confidence": 85  # 0-100
}

FGISurvey (설문)

{
    "id": "survey_123",
    "category": "technology",
    "questions": [
        {
            "id": "q1",
            "text": "요즘 기술 분야에서 가장 관심있는 주제는?",
            "type": "open"
        }
    ],
    "created_at": "2024-01-15T10:00:00",
    "news_source": null  # 선택사항
}

FGIResponse (응답)

{
    "id": "response_123",
    "persona_id": "persona_123",
    "survey_id": "survey_123",
    "responses": [
        {
            "question_id": "q1",
            "answer": "AI와 머신러닝에 관심이 많아요"
        }
    ],
    "submitted_at": "2024-01-15T10:30:00"
}

---

사용 예제

예제 1: 새로운 페르소나 생성 및 설문 진행

# 1. 기본 프로필 질문 목록 조회
questions = get_basic_profile_questions_tool()
# 반환 예시:
# {
#   "questions": {
#     "age_range": {"text": "나이대를 선택해주세요", "type": "choice", "options": [...]},
#     "gender": {"text": "성별을 선택해주세요", "type": "choice", "options": [...]},
#     ...
#   }
# }

# 2. 사용자에게 질문하고 답변 수집 (예시)
# 실제로는 UI나 채팅 인터페이스에서 사용자에게 질문을 제시하고 답변을 받습니다.

# 3. 수집한 답변으로 기본 프로필 설정
update_basic_profile_tool(
    persona_id="persona_new_001",
    profile_data={
        "age_range": "20대 후반",        # questions["questions"]["age_range"]["options"] 중 하나
        "gender": "남성",                 # questions["questions"]["gender"]["options"] 중 하나
        "location": "서울",               # questions["questions"]["location"]["options"] 중 하나
        "occupation_category": "IT/개발"  # questions["questions"]["occupation_category"]["options"] 중 하나
        # income_range는 선택사항이므로 생략 가능
    }
)

# 4. 기술 카테고리 설문 시작
survey = create_fgi_survey_tool(
    category="technology",
    persona_id="persona_new_001"
)

# 5. 첫 번째 질문에 답변
submit_fgi_response_tool(
    persona_id="persona_new_001",
    survey_id=survey["survey_id"],
    responses=[
        {
            "question_id": survey["questions"][0]["id"],
            "answer": "AI와 머신러닝에 관심이 많아요. 최근 ChatGPT 같은 생성형 AI가 정말 흥미롭습니다."
        }
    ]
)

# 6. 다음 질문 생성
next_q = generate_next_question_tool(
    survey_id=survey["survey_id"],
    previous_qa=[
        {
            "question": survey["questions"][0]["text"],
            "answer": "AI와 머신러닝에 관심이 많아요..."
        }
    ],
    category="technology"
)

# 7. 계속 질문-답변 반복...
# 8. 최종적으로 페르소나 예측
persona = predict_persona_tool(
    responses=[
        {"question_id": "q1", "answer": "..."},
        {"question_id": "q2", "answer": "..."}
    ]
)

예제 2: 특정 제품에 대한 선호도 분석

# 스티커 디자인에 대한 20대 여성들의 선호도 분석
preference = analyze_preference_tool(
    query="스티커 디자인",
    category="fashion",
    age_range="20대",
    gender="여성",
    location="서울",
    limit=30
)

# 결과에서 인사이트 확인
print(preference["insights"])
# - "미니멀하고 깔끔한 디자인 선호"
# - "캐릭터 스티커 인기"
# - "패스텔 톤 색상 선호"

예제 3: 트렌드 인사이트 조회

# 키링 트렌드 분석
trends = get_trend_insights_tool(
    topic="키링",
    persona_filters={
        "age_range": "20대",
        "gender": "여성"
    },
    min_freshness=150
)

# 트렌드 요약 확인
print(trends["summary"])

예제 4: 샘플 데이터로 빠른 테스트

# 50개의 샘플 페르소나 생성 (LLM 사용)
generate_sample_personas_tool(count=50, use_llm=True)

# 20명의 페르소나에 대해 각각 2개의 설문 응답 생성
generate_sample_surveys_tool(
    persona_count=20,
    responses_per_persona=2,
    use_llm=True
)

# 또는 한 번에 모든 샘플 데이터 생성
generate_all_sample_data_tool(
    persona_count=50,
    responses_per_persona=2,
    use_llm=False  # 빠른 템플릿 기반 생성 (비용 없음)
)

예제 5: 페르소나 비교 및 통계

# 두 페르소나 비교
comparison = compare_personas_tool(
    persona_id1="persona_123",
    persona_id2="persona_456"
)

# 유사점과 차이점 확인
print(comparison["similarities"])
print(comparison["differences"])

# 전체 통계 조회
stats = get_statistics_tool()
print(f"전체 페르소나 수: {stats['total_personas']}")
print(f"평균 신선도: {stats['avg_freshness']}")
print(f"MBTI 분포: {stats['mbti_distribution']}")

---

기술 스택

• FastMCP: MCP 프로토콜 구현 프레임워크
• SQLAlchemy: ORM 및 데이터베이스 관리
• Groq API: LLM 기반 분석 및 생성
• Pydantic: 데이터 검증 및 직렬화
• Python-dotenv: 환경 변수 관리
• SQLite: 기본 데이터베이스 (PostgreSQL 등으로 변경 가능)

---

프로젝트 구조

persona_mcp/
├── src/
│   ├── main.py                 # MCP 서버 메인 파일
│   ├── db/
│   │   ├── database.py        # 데이터베이스 연결 및 세션 관리
│   │   └── models.py          # SQLAlchemy 모델 정의
│   ├── tools/
│   │   └── persona/
│   │       ├── fgi_tools.py   # FGI 설문 관련 도구
│   │       ├── predict.py     # 페르소나 예측
│   │       ├── freshness.py   # 신선도 관리
│   │       ├── insights.py    # 인사이트 분석
│   │       ├── query.py       # 페르소나 조회
│   │       └── sample_data.py # 샘플 데이터 생성
│   └── utils/
│       ├── cache.py           # 캐싱 시스템
│       └── credentials.py     # API 키 관리
├── data/
│   └── fgi.db                 # SQLite 데이터베이스
├── cache/                     # 캐시 파일 저장소
├── requirements.txt           # Python 의존성
├── pyproject.toml            # 프로젝트 설정
└── README.md                 # 이 파일

---

주의사항

1. Groq API 키: LLM 기능을 사용하려면 Groq API 키가 필요합니다. 키가 없어도 기본적인 CRUD 작업은 가능하지만, 페르소나 예측이나 동적 질문 생성은 불가능합니다.

2. 신선도 점수: 신선도 점수는 시간이 지남에 따라 자동으로 감소합니다. 정기적으로 설문을 진행하여 데이터를 업데이트하는 것이 좋습니다.

3. 캐싱: 선호도 분석, 트렌드 인사이트 등은 캐싱되어 12시간 동안 재사용됩니다. 실시간 데이터가 필요한 경우 캐시를 무시하도록 수정할 수 있습니다.

4. 데이터베이스: 기본적으로 SQLite를 사용하지만, DATABASE_URL 환경 변수를 변경하여 PostgreSQL, MySQL 등 다른 데이터베이스를 사용할 수 있습니다.

---

라이선스

이 프로젝트의 라이선스 정보를 여기에 추가하세요.

---

기여하기

이슈나 풀 리퀘스트를 환영합니다!

---

문의

문제가 발생하거나 질문이 있으시면 이슈를 생성해주세요.